基于LSTM神经网络的畸形波预测
发布时间：2021-07-03 04:19
采用长短时记忆（LSTM）神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机（SVM）模型和反向传播（BP）模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.
【文章来源】：华中科技大学学报(自然科学版). 2020,48(07)北大核心EICSCD
【文章页数】：5 页
【部分图文】：
工况1下波浪演化波面的时间序列三种模型在畸形波附近预测误差比较如3所
?尾ǖ脑げ?精度明显提高．为突出不同预测模型对畸形波的预测精度，后续工况仅给出畸形波位置处的预测误差比较．图3工况1下三种模型在畸形波附近预测误差比较工况2也属于单峰型，H6浪高仪位置，HS=2.89cm，t=45.96s时达到maxH=6.33cm，此时波高比为2.19．将t=0～39.32s的数据作为训练集用于拟合模型t=39.34～63.84s的数据作为测试集用于评估模型性能．训练集期间的数据畸形波特征不明显，而测试集期间的数据包含明显的畸形波．波浪演化的波面时间序列如图4所示，工况2测点处海底地形变化较大，总体来说此类区域畸形波生成的概率偏大，说明由于地形的变化，畸形波的产生也受到了一定影响．畸形波形成于45.96s，不同于其他畸形波，属于波形幅度变化较小的类型，峰值为3.69cm．图4工况2下波浪演化的波面时间序列三种模型畸形波附近预测结果如图5所示．与SVM和BP模型相比，LSTM预测畸形波的精度更高．工况3测点处，HS=4.59cm，t=53.92s时达到最大波高6.06cm，此时波高比为2.04．工况3使用前57.36s的数据构建训练集，t=57.38～81.88s的数据构建测试集，其中训练集和测试集期间的数据都包含明显的畸形波．波浪演化的波面时间序列如图6所示，工况3测点位于深水区，由此可见地形不是畸形波产生的唯一条件，地形线性区域同样有可能发生畸形波．
·50·华中科技大学学报（自然科学版）第48卷图5工况2下三种模型畸形波附近预测误差图6工况3下波浪演化的波面时间序列三种模型畸形波附近预测结果如图7所示．可知：LSTM神经网络在畸形波形成时的预测效果明显优于BP和SVM模型．图7工况3下三种模型畸形波附近预测误差2.2.2三姐妹型畸形波类型属于三姐妹型，HS=2.89cm，t=53.04s时达到最大波高6.36cm，此时波高比为2.20．将前49.14s的畸形波数据作为训练集，t=49.16～73.66s的数据作为测试集，其中训练集期间的数据畸形波特征不明显，而测试集期间的数据包含明显的畸形波．工况4波浪演化的波面时间序列如图8所示，此工况数据中存在几个连续大波，也称三姐妹畸形波，试验观察到此类畸形波持续性很强．图8工况4下波浪演化的波面时间序列三种模型畸形波附近预测结果如图9所示．LSTM相比于其他两种模型，预测精度较高，原因可能是LSTM模型内部结构弥补了其他两个模型的缺点，可以修正未来波高信息．经过4个工况验证，对于单峰型和三姐妹型畸形波，LSTM神经网络均有更好的预测效果，尤其是在畸形波位置处，LSTM模型精度最好，BP模型次之，SVM模型最差．图9工况4下三种模型畸形波附近预测误差2.3多步预测为进一步挖掘LSTM的预测能力，增加畸形波预测时长，进行多步预测，平均相对误差和均方根误差见表3和表4．表3各种模型预测平均相对误差比较工况BP单步SVM单步LSTM单步LSTM多步10.55681.02340.29380.401321.61971.92481.07371.328230.33190.73380.27640.301141.58971.83601.03831.1675?
【参考文献】：
期刊论文
[1]基于长短时记忆网络的结构智能控制算法研究[J]. 涂建维,高经纬,李召,张家瑞. 华中科技大学学报(自然科学版). 2019(12)
[2]岛礁地形畸形波演化过程的试验及小波谱分析[J]. 邹丽,王爱民,宗智,裴玉国,赵勇. 哈尔滨工程大学学报. 2017(03)
本文编号：3261853
【文章来源】：华中科技大学学报(自然科学版). 2020,48(07)北大核心EICSCD
【文章页数】：5 页
【部分图文】：
工况1下波浪演化波面的时间序列三种模型在畸形波附近预测误差比较如3所
?尾ǖ脑げ?精度明显提高．为突出不同预测模型对畸形波的预测精度，后续工况仅给出畸形波位置处的预测误差比较．图3工况1下三种模型在畸形波附近预测误差比较工况2也属于单峰型，H6浪高仪位置，HS=2.89cm，t=45.96s时达到maxH=6.33cm，此时波高比为2.19．将t=0～39.32s的数据作为训练集用于拟合模型t=39.34～63.84s的数据作为测试集用于评估模型性能．训练集期间的数据畸形波特征不明显，而测试集期间的数据包含明显的畸形波．波浪演化的波面时间序列如图4所示，工况2测点处海底地形变化较大，总体来说此类区域畸形波生成的概率偏大，说明由于地形的变化，畸形波的产生也受到了一定影响．畸形波形成于45.96s，不同于其他畸形波，属于波形幅度变化较小的类型，峰值为3.69cm．图4工况2下波浪演化的波面时间序列三种模型畸形波附近预测结果如图5所示．与SVM和BP模型相比，LSTM预测畸形波的精度更高．工况3测点处，HS=4.59cm，t=53.92s时达到最大波高6.06cm，此时波高比为2.04．工况3使用前57.36s的数据构建训练集，t=57.38～81.88s的数据构建测试集，其中训练集和测试集期间的数据都包含明显的畸形波．波浪演化的波面时间序列如图6所示，工况3测点位于深水区，由此可见地形不是畸形波产生的唯一条件，地形线性区域同样有可能发生畸形波．
·50·华中科技大学学报（自然科学版）第48卷图5工况2下三种模型畸形波附近预测误差图6工况3下波浪演化的波面时间序列三种模型畸形波附近预测结果如图7所示．可知：LSTM神经网络在畸形波形成时的预测效果明显优于BP和SVM模型．图7工况3下三种模型畸形波附近预测误差2.2.2三姐妹型畸形波类型属于三姐妹型，HS=2.89cm，t=53.04s时达到最大波高6.36cm，此时波高比为2.20．将前49.14s的畸形波数据作为训练集，t=49.16～73.66s的数据作为测试集，其中训练集期间的数据畸形波特征不明显，而测试集期间的数据包含明显的畸形波．工况4波浪演化的波面时间序列如图8所示，此工况数据中存在几个连续大波，也称三姐妹畸形波，试验观察到此类畸形波持续性很强．图8工况4下波浪演化的波面时间序列三种模型畸形波附近预测结果如图9所示．LSTM相比于其他两种模型，预测精度较高，原因可能是LSTM模型内部结构弥补了其他两个模型的缺点，可以修正未来波高信息．经过4个工况验证，对于单峰型和三姐妹型畸形波，LSTM神经网络均有更好的预测效果，尤其是在畸形波位置处，LSTM模型精度最好，BP模型次之，SVM模型最差．图9工况4下三种模型畸形波附近预测误差2.3多步预测为进一步挖掘LSTM的预测能力，增加畸形波预测时长，进行多步预测，平均相对误差和均方根误差见表3和表4．表3各种模型预测平均相对误差比较工况BP单步SVM单步LSTM单步LSTM多步10.55681.02340.29380.401321.61971.92481.07371.328230.33190.73380.27640.301141.58971.83601.03831.1675?
【参考文献】：
期刊论文
[1]基于长短时记忆网络的结构智能控制算法研究[J]. 涂建维,高经纬,李召,张家瑞. 华中科技大学学报(自然科学版). 2019(12)
[2]岛礁地形畸形波演化过程的试验及小波谱分析[J]. 邹丽,王爱民,宗智,裴玉国,赵勇. 哈尔滨工程大学学报. 2017(03)
本文编号：3261853
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3261853.html
